DeepChat实操手册：如何将DeepChat嵌入内部Wiki/Notion/飞书，打造组织级AI知识中枢-编程阁

DeepChat实操手册：如何将DeepChat嵌入内部Wiki/Notion/飞书，打造组织级AI知识中枢

1. 为什么你需要一个“组织专属”的AI对话入口

你有没有遇到过这些场景：

新员工入职，反复问同一个产品问题，而文档里其实早有答案；
团队在飞书群里讨论技术方案，信息散落各处，关键结论没人整理；
Wiki页面写得再详细，也架不住用户懒得翻，宁愿截图发给同事问一句“这个怎么用”；
外部AI工具用着方便，但一想到客户合同、代码片段、会议纪要这些敏感内容要上传到公有云，就立刻关掉网页。

这些问题背后，是一个被长期忽视的真相：知识不是放在那里就自动生效的，它必须以最自然的方式，出现在人最需要的那一刻。

DeepChat 不是又一个聊天框，而是一套可以“长进你已有系统里”的深度对话引擎——它不抢你的工作流，而是悄悄增强它。你可以把它嵌进团队每天打开的 Wiki 页面右下角，插进 Notion 数据库的侧边栏，或者作为飞书文档里的一个智能按钮。用户不需要新开标签页、不用记新网址、更不必切换上下文，提问就像打字一样自然。

更重要的是，它全程不联网、不传数据、不依赖外部 API。你输入的每一句话，都在本地容器里完成推理；生成的每一段回答，都只在你自己的服务器内存中存在。这不是“能用就行”的玩具，而是真正能承载组织核心知识资产的对话基座。

下面我们就从零开始，手把手带你把 DeepChat 变成你内部系统的“AI呼吸口”。

2. DeepChat 是什么：一个安静却强大的本地对话引擎

2.1 它不是另一个 WebUI，而是一套可嵌入的对话能力

DeepChat 的本质，是一个轻量、专注、开箱即用的前端应用，但它背后连接的，是整套本地化 AI 基础设施：

底层驱动：Ollama 运行时（已预装并自动管理）
核心模型：llama3:8b（Meta 最新发布的 80 亿参数模型，平衡性能与质量）
通信协议：标准 HTTP + OpenAI 兼容 API（无需改造现有集成逻辑）
部署形态：Docker 容器（一键拉起，无依赖冲突）

它不像传统大模型服务那样需要你配置 API Key、处理鉴权、写重试逻辑。DeepChat 启动后，会自动暴露一个/v1/chat/completions接口——和你在 OpenAI 或 Anthropic 文档里看到的完全一致。这意味着：你不用学新东西，就能把它接进任何支持 OpenAI 格式的系统。

2.2 三大不可替代的组织级优势

优势	说明	对组织的真实价值
绝对私有化	所有文本输入、模型推理、响应生成，100% 发生在容器内。没有外部请求、没有日志上报、没有后台心跳。	法务敢签字，安全团队敢上线，业务部门敢用真实数据提问。
秒级冷启动（非首次）	首次启动自动下载模型（约 4.7GB），后续启动跳过下载，5 秒内完成 Ollama 加载 + Web 服务就绪。	每天重启不影响使用，运维零干预，开发人员不用守着日志等“pull 完毕”。
自愈合启动脚本	自动检测端口占用、修复 Ollama 权限、锁定 Python 客户端版本、重试失败步骤。	不再出现“明明镜像拉了，却打不开页面”的尴尬；一次部署，长期稳定。

一句话理解 DeepChat 的定位：
它不是让你“去用一个新 AI 工具”，而是给你一把钥匙，让你把“AI 对话能力”这把锁，直接装进你已经信任的 Wiki、Notion、飞书这些系统里。

3. 实战：三步将 DeepChat 嵌入你的内部系统

3.1 第一步：启动 DeepChat 并确认服务可用

我们假设你已通过 CSDN 星图镜像广场获取该镜像，并在 Linux 服务器或本地 Mac 上运行 Docker。

# 启动容器（映射到宿主机 3000 端口） docker run -d \ --name deepchat \ -p 3000:3000 \ -v /path/to/ollama:/root/.ollama \ --gpus all \ --restart=unless-stopped \ csdn/deepchat:latest

启动后，请先验证服务是否就绪：

访问http://localhost:3000—— 应看到简洁的 DeepChat 聊天界面
在浏览器开发者工具（Network 标签页）中，发送一条测试消息，观察是否发出POST /v1/chat/completions请求
查看响应体，确认返回格式符合 OpenAI 标准（含choices[0].message.content字段）

注意：首次启动需等待模型下载完成（控制台日志出现pull complete），期间页面可能显示加载中，属正常现象。

3.2 第二步：为嵌入准备“干净接口”——禁用前端 UI，启用纯 API 模式

DeepChat 默认提供完整 Web 界面，但嵌入到 Wiki/Notion/飞书时，你通常只需要它的“对话能力”，而非整个聊天窗口。为此，我们启用其内置的API-only 模式：

修改容器启动命令，添加环境变量：
```
-e DEEPCHAT_MODE=api-only
```

或进入容器临时启用（适合调试）：

docker exec -it deepchat bash -c "echo 'api-only' > /app/mode.txt && kill -HUP 1"

此时，DeepChat 将不再渲染前端页面，而是专注响应以下两类请求：

健康检查：GET /health→ 返回{ "status": "ok", "model": "llama3:8b" }
对话请求：POST /v1/chat/completions→ 标准 OpenAI 格式输入，返回标准格式输出

这样做的好处是：

减少前端资源占用，提升响应速度
避免跨域干扰（后续嵌入更简单）
便于你在后端做统一鉴权、日志审计、速率限制

3.3 第三步：按平台选择嵌入方式（附可直接复制的代码）

3.3.1 嵌入内部 Wiki（基于 MediaWiki 或语雀/Confluence 类系统）

适用场景：在产品文档、技术规范、新人指南等页面右下角，添加一个悬浮 AI 助手按钮。

实现方式：在 Wiki 页面 HTML 模块中插入以下代码（需开启 HTML 编辑权限）

<!-- DeepChat 助手悬浮按钮 --> <style> #dc-float { position: fixed; bottom: 20px; right: 20px; z-index: 9999; } #dc-btn { background: #2563eb; color: white; border: none; width: 56px; height: 56px; border-radius: 50%; font-size: 20px; cursor: pointer; box-shadow: 0 4px 12px rgba(0,0,0,0.15); } #dc-panel { position: fixed; bottom: 80px; right: 20px; width: 360px; height: 480px; background: white; border-radius: 12px; box-shadow: 0 8px 24px rgba(0,0,0,0.15); overflow: hidden; display: none; flex-direction: column; } #dc-header { padding: 12px 16px; background: #f1f5f9; border-bottom: 1px solid #e2e8f0; font-weight: 600; } #dc-messages { flex: 1; padding: 12px; overflow-y: auto; font-size: 14px; line-height: 1.5; } #dc-input { padding: 12px; border-top: 1px solid #e2e8f0; display: flex; } #dc-input input { flex: 1; border: 1px solid #cbd5e1; border-radius: 8px; padding: 8px 12px; font-size: 14px; } #dc-input button { margin-left: 8px; background: #2563eb; color: white; border: none; border-radius: 8px; padding: 0 16px; } </style> <div id="dc-float"> <button id="dc-btn"></button> <div id="dc-panel"> <div id="dc-header">AI 知识助手</div> <div id="dc-messages"></div> <div id="dc-input"> <input type="text" id="dc-q" placeholder="例如：这个功能支持哪些参数？" /> <button id="dc-send">发送</button> </div> </div> </div> <script> const btn = document.getElementById('dc-btn'); const panel = document.getElementById('dc-panel'); const messages = document.getElementById('dc-messages'); const input = document.getElementById('dc-q'); const sendBtn = document.getElementById('dc-send'); btn.onclick = () => panel.style.display = 'flex'; sendBtn.onclick = sendQuery; input.onkeypress = e => e.key === 'Enter' && sendQuery(); function sendQuery() { const q = input.value.trim(); if (!q) return; // 显示用户提问 messages.innerHTML += `<div style="margin:8px 0; padding:8px; background:#f1f5f9; border-radius:8px;">🙋‍♂ ${q}</div>`; input.value = ''; // 调用 DeepChat API（假设 Wiki 与 DeepChat 同域，或已配好反向代理） fetch('http://localhost:3000/v1/chat/completions', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ model: "llama3:8b", messages: [{ role: "user", content: q }], temperature: 0.7, max_tokens: 512 }) }) .then(r => r.json()) .then(data => { const ans = data.choices[0].message.content || '抱歉，暂时无法回答。'; messages.innerHTML += `<div style="margin:8px 0; padding:8px; background:#e2e8f0; border-radius:8px;"> ${ans}</div>`; messages.scrollTop = messages.scrollHeight; }) .catch(e => { messages.innerHTML += `<div style="margin:8px 0; padding:8px; background:#fee2e2; color:#dc2626; border-radius:8px;">❌ 请求失败：${e.message}</div>`; }); } </script>

关键提示：

若 Wiki 与 DeepChat 不在同一域名（如 Wiki 是wiki.company.com，DeepChat 是ai.company.com:3000），请在 Nginx/Apache 中配置反向代理，将/ai-api/路径代理至http://localhost:3000/，避免跨域问题。
所有交互逻辑均在前端完成，不经过 Wiki 后端，零侵入、零改造。

3.3.2 嵌入 Notion 数据库（通过 Notion API + Public Site + iframe）

适用场景：在产品需求数据库、技术决策记录、知识沉淀看板中，为每条记录添加“AI 解读”侧边栏。

实现方式（无需编程基础）：

将 DeepChat 页面设为公开可访问（确保http://ai.company.com可被 Notion 加载）
在 Notion 页面中，点击/插入Embed→ 粘贴 URL：http://ai.company.com?context={{page.title}}
（可选）用 Notion 的Text属性拼接上下文，例如：
https://ai.company.com?context=需求ID:%20{{ID}}%20%7C%20描述:%20{{Description}}

进阶技巧：

在 DeepChat 前端 JS 中读取 URL 参数context，自动将其作为 system message 注入对话：

const urlParams = new URLSearchParams(window.location.search); const context = urlParams.get('context') || ''; if (context) { messages.push({ role: "system", content: `当前上下文：${context}。请基于此提供精准、简洁的回答。` }); }

这样，当用户点开某条“支付模块设计文档”时，AI 助手一上来就知道自己在聊什么。

3.3.3 嵌入飞书多维表格/文档（通过飞书开放平台「自建应用」）

适用场景：在飞书多维表格中，为“客户反馈”字段添加“AI 归因分析”按钮；在飞书文档中，一键生成“会议要点摘要”。

实现方式（需简单后端代理，保障安全）：

由于飞书客户端禁止直接调用http://localhost:3000，推荐走「飞书自建应用 + 企业自有服务器代理」方案：

在你公司服务器上部署一个极简代理（Python Flask 示例）：

from flask import Flask, request, jsonify import requests app = Flask(__name__) @app.route('/ls/api/chat', methods=['POST']) def proxy_chat(): # 验证飞书签名（省略，参考飞书官方文档） data = request.json resp = requests.post( 'http://localhost:3000/v1/chat/completions', json=data, timeout=60 ) return jsonify(resp.json()), resp.status_code if __name__ == '__main__': app.run(host='0.0.0.0', port=5001)

在飞书开放平台创建「自建应用」→ 添加「消息卡片」或「文档插件」→ 配置请求地址为https://your-server.com/ls/api/chat
用户点击按钮后，飞书前端收集当前文档/表格内容，发送至你的代理，再由代理转发给 DeepChat，最终将结果渲染回飞书界面。

此方案优势：

所有敏感数据不出内网（飞书 → 你服务器 → DeepChat 容器）
可在代理层统一加日志、限流、审计，满足企业合规要求
一次开发，复用所有飞书场景（群机器人、文档插件、多维表格操作列）

4. 让 DeepChat 真正成为“知识中枢”的 3 个进阶建议

4.1 给 AI 加上“组织记忆”：注入你的知识库

Llama 3 再强，也只是通用模型。要让它真正懂你公司的术语、流程、项目代号，必须喂它“组织上下文”。

推荐做法：在每次请求前，动态拼接一段 system message：

{ "role": "system", "content": "你是一名资深[公司名]技术专家。请严格遵循：\n- 所有回答必须基于我提供的知识片段；\n- 不确定时不编造，直接说‘暂无相关信息’；\n- 使用中文，语气专业简洁。\n\n【知识片段】\n- 项目代号‘星火’指代 2024 Q3 启动的 AI 中台一期工程；\n- ‘灰度发布流程’要求：先在 5% 生产流量验证，持续 2 小时无异常后全量；\n- 所有 API 必须携带 X-Auth-Token 请求头，值为员工工号后六位。" }

实现提示：

将知识片段存为 Markdown 文件，由 Wiki/Notion/飞书插件实时读取并注入
避免硬编码，让业务同学也能自主维护这份“AI 记忆清单”

4.2 控制回答风格：从“自由发挥”到“精准输出”

默认情况下，Llama 3 倾向于展开论述。但在组织场景中，你往往需要：

技术文档问答 → 要求：分点、带代码块、引用原文位置
客服话术生成 → 要求：口语化、带情绪词、控制在 3 句内
会议纪要提炼 → 要求：仅输出 Action Items，格式为- [ ] 任务，负责人，DDL

🔧 解决方案：在前端或代理层，根据触发场景自动设置system message+temperature+response_format：

// 会议纪要模式 { "system": "你是一名高效会议秘书。请仅提取明确的待办事项，格式：- [ ] 任务描述，@负责人，YYYY-MM-DD。不解释、不补充。", "temperature": 0.2, "response_format": { "type": "text" } }

4.3 建立使用闭环：让每一次提问都沉淀为知识

目前，AI 回答是一次性消耗品。但理想状态是：高频提问 → 发现知识盲区 → 自动转为 Wiki 新页面 → 形成正向循环。

可落地方案（低代码）：

在 DeepChat 前端添加一个「这个回答很有用，加入知识库」按钮
点击后，调用 Wiki API（如语雀的POST /repos/{repo_id}/docs）自动创建新文档，标题为提问关键词，正文为问答记录
设置定时任务，每周扫描“新增问答数 Top 10”，推送至知识管理负责人邮箱

这样，DeepChat 就不再是单向问答工具，而成了组织知识演化的“传感器”和“加速器”。

5. 总结：从“接入 AI”到“拥有 AI 对话主权”

把 DeepChat 嵌入 Wiki、Notion、飞书，看似只是加了一个按钮、一个 iframe、一个插件，但背后完成的是一次关键跃迁：

从“用别人的 AI” → “拥有自己的 AI 对话主权”
你不再受制于 API 调用限额、模型下线通知、服务中断风险；你掌控全部输入、全部输出、全部日志。
从“查文档” → “和文档对话”
知识不再静态躺在页面里，而是以对话形式主动响应、关联、推演。一个提问，可能带出三个相关文档链接、两段历史会议记录、一份未公开的设计草稿。
从“IT 部署一个服务” → “全员获得认知增强”
前端工程师用它快速理解后端接口规范，产品经理用它生成用户故事，HR 用它起草员工沟通话术——门槛消失，价值倍增。

DeepChat 的价值，不在于它多炫酷，而在于它足够安静、足够可靠、足够“隐形”。它不改变你已有的工作习惯，只是在你伸手可及的地方，多放了一盏灯。

当你某天发现，新同事第一周就在 Wiki 页面上和 AI 讨论架构设计，而老员工开始把飞书文档里的“AI 摘要”直接粘贴进周报——你就知道，那个属于你们组织的 AI 知识中枢，已经真正活起来了。